Voici l’algorithme entraîné mis en fonction grâce à une régression logistique qui permet de répondre de façon binaire VRAIS ou FAUX billet.

Notebooks et outils de programmation :

import numpy as np
import pandas as pd
import pickle

In [2]:

# load
with open("model.pkl", "rb") as f:
    clf2 = pickle.load(f)

In [3]:

file_t = pd.read_csv("billets_test.csv")
file_t.head()

Out[3]:

	diagonal	height_left	height_right	margin_low	margin_up	length	id
0	172.09	103.95	103.73	4.39	3.09	113.19	B_1
1	171.52	104.17	104.03	5.27	3.16	111.82	B_2
2	171.78	103.80	103.75	3.81	3.24	113.39	B_3
3	172.02	104.08	103.99	5.57	3.30	111.10	B_4
4	171.79	104.34	104.37	5.00	3.07	111.87	B_5

In [4]:

file_test = file_t[["height_right","margin_low","margin_up","length"]]

In [13]:

def detect_billet(list_billet:list, file_t):
    preds = clf2.predict(list_billet) 
    list_preds = []
    for i in preds:
        if i == 1:
            list_preds.append("Vrai billet")
        else:
            list_preds.append("Faux billet")
    file_t["pred"] = list_preds
    file_t["proba"] = np.round(clf2.predict_proba(list_billet)[:,1],3)
    return file_t

In [14]:

detect_billet(file_test, file_t)

Out[14]:

	diagonal	height_left	height_right	margin_low	margin_up	length	id	pred	proba
0	172.09	103.95	103.73	4.39	3.09	113.19	B_1	Vrai billet	0.991
1	171.52	104.17	104.03	5.27	3.16	111.82	B_2	Faux billet	0.005
2	171.78	103.80	103.75	3.81	3.24	113.39	B_3	Vrai billet	0.999
3	172.02	104.08	103.99	5.57	3.30	111.10	B_4	Faux billet	0.000
4	171.79	104.34	104.37	5.00	3.07	111.87	B_5	Faux billet	0.014

In [ ]:

Présentation client par un PowerPoint.

Lien vers la première partie d’apprentissage et de régression linéaire.

Retour vers Data-Analyst